基于纵横交叉算法优化神经网络的负荷预测模型

为了解决传统BP神经网络对高频分量预测精度不高、泛化能力弱的缺点,提出了一种混合小波变换和纵横交叉算法(CSO)优化神经网络的短期负荷预测新方法。通过小波变换对负荷样本进行序列分解,对单支重构所得的负荷子序列采用纵横交叉算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能掌握冲击毛刺的变化规律,有效提高含大量冲击负荷地区的负荷预测精度,且预测模型具有较强泛化能力。     

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型.首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报.为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了"分解-预测-重构"模型.经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点.     

基于超参数优化的短期电力负荷预测模型

准确预测短期电力负荷在精细化电网规划、减少发电成本和提高用电质量等方面具有重要作用。为了大幅度的提高短期电力负荷预测的准确性,采用改进粒子群算法(IPSO)优化长短期记忆网络(LSTM),构建了一种新的电力负荷预测模型(IPSO-LSTM)。该模型采用能有效寻找全局最优解的IPSO,解决了LSTM预测电力负荷时超参数难以选取的问题。考虑到粒子群算法(PSO)中惯性权重和学习因子是固定不变的,这容易导致粒子群在前期掉入局部最优而错过全局最优,模型将惯性权重和学习因子由固定值改为非线性变化,以平衡其全局搜索能力和局部寻优能力。通过实际案例数据进行仿真分析,并与粒子群优化的长短期记忆网络(PSO-LSTM)、LSTM以及反向传播(back propagation, BP)神经网络算法的预测结果进行对比,验证了方法的预测效果更佳。实验表明,所提电力负荷预测模型具有较好的精度和稳定性。     

基于混合粒子群算法的短期负荷预测模型

由于电力负荷内在的非线性特性,传统基于梯度搜索的参数辨识技术可能陷入局部最优,影响了预测精度,故提出了混合进化和粒子群优化算法。将进化算法的基本思想引入粒子群优化算法,不但保持了粒子群算法结构简单、易于实现的特点,而且充分发挥了进化算法的全局搜索能力,可有效提高算法的精度和收敛速度。对上海地区电网进行短期负荷预测,与实际值相比较,结果表明,该算法具有较高的预测精度,是一种有效的短期预测方法。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于深度递归神经网络的电力系统短期负荷预测模型

针对电力负荷非线性动态特性导致的负荷预测困难、预测精度低等问题,本文构建了深度递归神经网络短期负荷预测模型。在深度神经网络多隐层结构的基础上,深度递归神经网络增设了关联层,并以改进粒子群算法作为网络的优化学习算法,对模型权值空间进行深度优化。对某地区电网实际负荷进行预测仿真,结果表明与BP网络、深度神经网络相比,深度递归神经网络的平均绝对误差的周平均值分别降低1.61%和0.56%,验证了深度递归神经网络能够融合前馈与反馈连接,提高网络泛化能力,有效提高负荷预测精度。     

基于组合预测模型的电动汽车充电站短期负荷预测研究

针对电动汽车充电站充电功率随机性大的难题,本文建立了ELMAN反馈式神经网络预测模型,然后采用粒子群算法对其进行优化,接着将优化之后的模型与模糊控制相结合,最终建立3种模型相结合的组合预测模型,并以青岛地区某一充电站的实际负荷数据为算例,验证了组合预测模型的有效性,提高了电动汽车充电站短期负荷预测的精度。     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,在蚁群算法改进粒子群算法中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO(Chaos Generalized Particle Swarm Optimization)算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。文中采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN(Elman Neural Network)方法提高了2.362 6%。     

基于PSO的模糊神经网络短期负荷预测

针对短期负荷预测的特点,提出基于粒子群(PSO)优化的模糊神经网络短期负荷预测模型。将PSO与模糊优选人工神经网络进行融合,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。对广西某地区进行短期负荷预测,并与实际值进行比较分析,结果表明这一模型应用于短期负荷预测能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

基于有效度遴选和纵横交叉算法的负荷组合预测

针对单一模型预测精度不高的问题,提出了基于有效度遴选和纵横交叉算法的组合负荷预测,新方法有效解决了选择单一模型的随机性和权重难以确定的问题。新方法根据预测有效度筛选组合预测单项模型,然后利用组合模型对小波包分解所得各个负荷子序列进行预测,并采用纵横交叉算法求取各单一模型的权值,最后叠加各子序列预测值得到完整预测结果。实例分析中,以广东省某电网实测负荷数据为例,研究结果表明:基于有效度遴选和纵横交叉算法的组合预测方法可操作性强、通用性好,并明显优于各单项预测模型、等权重组合模型和方差倒数组合模型的预测精度。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。     

基于小波分析的月度负荷组合预测

针对电力系统月负荷数据同时具有趋势增长性和季节波动性的非线性特征，提出了一种基于小波变换的月负荷预测方法。通过小波变换把月负荷序列分解为多个频率成分的叠加，针对不同频率成分的不同特点采用不同的预测方法，最后将各频率成分的预测结果重构进而得到预测数据。该方法避免了考虑气候、政策等因素，仅利用电力负荷历史数据进行预测。实例结果表明采用该方法进行月负荷预测可以达到较高的精度。     

基于CNN-ISSA-GRU模型的短期负荷预测方法

电网的可靠运行及持续发展离不开对短期电力负荷的高效、准确预测。针对表征电网负荷变化的历史数据具有复杂性和时序性等特点,且现有的机器学习预测方法仍存在依据经验选取关键参数的不足,利用卷积神经网络(CNN)提取表征负荷变化的多维特征向量,构造成时间序列输入到门控循环单元(GRU),并使用改进麻雀搜索算法(ISSA)对GRU网络中的超参数进行迭代寻优。预测试验样本来自云南某地区的负荷数据,所提方法的预测精度达到了98.624%,与循环神经网络(RNN)、GRU和长短期记忆(LSTM)等神经网络预测方法进行对比,算例表明,所提方法克服了依据经验选取关键参数难题的同时具有更高的预测精度。     

基于小波包分解与循环神经网络的综合能源系统短期负荷预测

文章提出了基于小波包分解(wavelet packet decomposition,WPD)与循环神经网络的电冷热综合能源短期负荷预测方法。利用能够突出负荷细节特征的小波包对电冷热负荷进行频段分解,分析每一频段中电冷热负荷的互相关性。为体现每一频段中电冷热负荷的互相关性对预测结果的影响,将频段中互相关性较强的负荷类型放入同一处理负荷自相关性的循环神经网络模型中进行预测;频段中互相关性较弱的负荷类型则单独进行预测。与直接将电冷热负荷放入同一个循环神经网络进行预测相比,以及与将电冷热负荷通过同一个反向传播神经网络进行预测相比,所提方法考虑了综合能源在不同频段内电冷热负荷的互相关性和电冷热负荷本身的自相关性,能够有效降低负荷预测的平均绝对百分比误差。     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。